論文の概要: The FLoRA Engine: Using Analytics to Measure and Facilitate Learners' own Regulation Activities
- arxiv url: http://arxiv.org/abs/2412.09763v1
- Date: Thu, 12 Dec 2024 23:46:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-16 15:03:23.691559
- Title: The FLoRA Engine: Using Analytics to Measure and Facilitate Learners' own Regulation Activities
- Title(参考訳): FLoRAエンジン:Analyticsを用いた学習者自身の規制活動の測定とファシリテート
- Authors: Xinyu Li, Yizhou Fan, Tongguang Li, Mladen Rakovic, Shaveen Singh, Joep van der Graaf, Lyn Lim, Johanna Moore, Inge Molenaar, Maria Bannert, Dragan Gasevic,
- Abstract要約: FLoRAエンジンは、学生、労働者、専門家が自己統制学習(SRL)のスキルを向上させるのを支援するために開発された。
このエンジンは学習中の学習者のSRL行動を追跡し、学習者が学習を効果的に制御するのに役立つ自動足場を提供する。
- 参考スコア(独自算出の注目度): 6.043195170209631
- License:
- Abstract: The focus of education is increasingly set on learners' ability to regulate their own learning within technology-enhanced learning environments (TELs). Prior research has shown that self-regulated learning (SRL) leads to better learning performance. However, many learners struggle to self-regulate their learning productively, as they typically need to navigate a myriad of cognitive, metacognitive, and motivational processes that SRL demands. To address these challenges, the FLoRA engine is developed to assist students, workers, and professionals in improving their SRL skills and becoming productive lifelong learners. FLoRA incorporates several learning tools that are grounded in SRL theory and enhanced with learning analytics (LA), aimed at improving learners' mastery of different SRL skills. The engine tracks learners' SRL behaviours during a learning task and provides automated scaffolding to help learners effectively regulate their learning. The main contributions of FLoRA include (1) creating instrumentation tools that unobtrusively collect intensively sampled, fine-grained, and temporally ordered trace data about learners' learning actions, (2) building a trace parser that uses LA and related analytical technique (e.g., process mining) to model and understand learners' SRL processes, and (3) providing a scaffolding module that presents analytics-based adaptive, personalised scaffolds based on students' learning progress. The architecture and implementation of the FLoRA engine are also discussed in this paper.
- Abstract(参考訳): 教育の焦点は、技術強化学習環境(TEL)における学習者自身の学習を規制する能力にますます焦点が当てられている。
これまでの研究では、自己統制学習(SRL)が学習性能の向上につながることが示されている。
しかし、多くの学習者は、SRLが要求する無数の認知的、メタ認知的、モチベーション的なプロセスをナビゲートする必要があるため、学習を生産的に自己統制することに苦労している。
これらの課題に対処するため、FLoRAエンジンは、学生、労働者、専門家がSRLのスキルを向上し、生産的な生涯学習者になるのを支援するために開発された。
FLoRAは、SRL理論に基礎を置き、異なるSRLスキルの学習者の熟達を改善することを目的とした学習分析(LA)によって強化されたいくつかの学習ツールを組み込んでいる。
このエンジンは学習中の学習者のSRL行動を追跡し、学習者が学習を効果的に制御するのに役立つ自動足場を提供する。
FLoRAの主な貢献は,(1)学習者の学習行動に関する,集中的にサンプリングされた,きめ細かな,時間的に秩序づけられたトレースデータを収集する計測ツールの作成,(2)学習者のSRL過程をモデル化・理解するために,LAと関連する分析技術(プロセスマイニング)を用いたトレースパーサの構築,(3)学習の進歩に基づいた分析に基づく適応的,個人化された足場を提供する足場モジュールの提供である。
本稿では,FLoRAエンジンのアーキテクチャと実装についても論じる。
関連論文リスト
- LLM-powered Multi-agent Framework for Goal-oriented Learning in Intelligent Tutoring System [54.71619734800526]
GenMentorは、ITS内で目標指向でパーソナライズされた学習を提供するために設計されたマルチエージェントフレームワークである。
学習者の目標を、カスタムのゴール・トゥ・スキルデータセットでトレーニングされた微調整LDMを使用して、必要なスキルにマッピングする。
GenMentorは、個々の学習者のニーズに合わせて探索・描画・統合機構で学習内容を調整する。
論文 参考訳(メタデータ) (2025-01-27T03:29:44Z) - Self-Tuning: Instructing LLMs to Effectively Acquire New Knowledge through Self-Teaching [67.11497198002165]
大規模言語モデル(LLM)は最新の情報の提供に苦慮することが多い。
既存のアプローチは、通常、新しいドキュメントのトレーニングを継続する。
効率的なヒューマンラーニングにおけるFeynman Techniqueの成功に感銘を受けて、セルフチューニングを紹介した。
論文 参考訳(メタデータ) (2024-06-10T14:42:20Z) - LLMs in the Imaginarium: Tool Learning through Simulated Trial and Error [54.954211216847135]
既存の大規模言語モデル(LLM)は30%から60%の範囲でしか正当性に至らない。
試行錯誤(STE)を模擬したツール拡張LDMの生物学的なインスピレーション法を提案する。
STEは、試行錯誤、想像力、記憶という、生物学的システムにおけるツール使用行動の成功のための3つの重要なメカニズムを編成する。
論文 参考訳(メタデータ) (2024-03-07T18:50:51Z) - Tracking Control for a Spherical Pendulum via Curriculum Reinforcement
Learning [27.73555826776087]
強化学習(RL)は、データから純粋に非自明なロボット制御法を学習することを可能にする。
本稿では,大規模並列化シミュレーションに基づいてRLでキュリキュラを自動構築するアルゴリズムを提案する。
非線形トラッキングタスクに対する状態推定と制御を共同で学習するカリキュラムRLの可能性を示す。
論文 参考訳(メタデータ) (2023-09-25T12:48:47Z) - A User Study on Explainable Online Reinforcement Learning for Adaptive
Systems [0.802904964931021]
オンライン強化学習(RL)は、設計時間の不確実性の存在下で適応システムの実現にますます利用されている。
深いRLが関心を持つようになると、学習された知識はもはや明示的に表現されるのではなく、ニューラルネットワークとして表現される。
XRL-DINEは、重要な時点において決定が下された理由に関する視覚的な洞察を提供する。
論文 参考訳(メタデータ) (2023-07-09T05:12:42Z) - Visualizing Self-Regulated Learner Profiles in Dashboards: Design
Insights from Teachers [9.227158301570787]
学生の自己統制学習(SRL)行動を監視するダッシュボードであるFlippEDの設計と実装を行う。
10人の大学教員を対象としたセミ構造化インタビューにおいて,ツールのユーザビリティと動作性を評価した。
論文 参考訳(メタデータ) (2023-05-26T12:03:11Z) - Designing Theory-Driven Analytics-Enhanced Self-Regulated Learning
Applications [0.0]
自己統制学習(SRL)を促進するための学習分析(LA)の適用への関心が高まっている。
この章では、LA強化SRLアプリケーションの設計の理論的基盤を探究する。
論文 参考訳(メタデータ) (2023-03-22T08:52:54Z) - Learning to Optimize for Reinforcement Learning [58.01132862590378]
強化学習(Reinforcement Learning, RL)は、教師付き学習とは本質的に異なり、実際、これらの学習は単純なRLタスクでもうまく機能しない。
エージェント勾配分布は非独立で同一分布であり、非効率なメタトレーニングをもたらす。
おもちゃのタスクでしか訓練されていないが、我々の学習はブラックスの目に見えない複雑なタスクを一般化できることを示した。
論文 参考訳(メタデータ) (2023-02-03T00:11:02Z) - Implicit Offline Reinforcement Learning via Supervised Learning [83.8241505499762]
監視学習によるオフライン強化学習(RL)は、さまざまな専門レベルのポリシーによって収集されたデータセットからロボットスキルを学ぶための、シンプルで効果的な方法である。
我々は、暗黙的なモデルが返却情報を利用して、固定されたデータセットからロボットスキルを取得するために、明示的なアルゴリズムにマッチするか、あるいは性能を向上するかを示す。
論文 参考訳(メタデータ) (2022-10-21T21:59:42Z) - RvS: What is Essential for Offline RL via Supervised Learning? [77.91045677562802]
近年の研究では、時間差(TD)のない教師あり学習だけでオフラインRLに極めて効果的であることが示されている。
あらゆる環境スイートにおいて、2層フィードフォワードによる可能性の最大化は競争力がある。
彼らはまた、ランダムデータに対して比較的弱い既存のRvS法の限界を探索する。
論文 参考訳(メタデータ) (2021-12-20T18:55:16Z) - MOLAM: A Mobile Multimodal Learning Analytics Conceptual Framework to
Support Student Self-Regulated Learning [0.0]
この章では、MOLAM(Mobile Multimodal Learning Analytics)アプローチを紹介します。
学生の自己統制型学習の発展は、このアプローチの採用の恩恵を受けるだろうと私は主張する。
論文 参考訳(メタデータ) (2020-12-18T18:55:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。